for是所有編程語(yǔ)言的基礎(chǔ)語(yǔ)法，初學(xué)者為了快速實(shí)現(xiàn)功能，依懶性較強(qiáng)。但如果從運(yùn)算時(shí)間性能上考慮可能不是特別好的選擇。

本次東哥介紹幾個(gè)常見(jiàn)的提速方法，一個(gè)比一個(gè)快，了解pandas本質(zhì)，才能知道如何提速。

下面是一個(gè)例子，數(shù)據(jù)獲取方式見(jiàn)文末。 

>>> import pandas as pd  
# 導(dǎo)入數(shù)據(jù)集  
>>> df = pd.read_csv('demand_profile.csv')  
>>> df.head()  
     date_time  energy_kwh  
0  1/1/13 0:00       0.586  
1  1/1/13 1:00       0.580  
2  1/1/13 2:00       0.572  
3  1/1/13 3:00       0.596  
4  1/1/13 4:00       0.592 

基于上面的數(shù)據(jù)，我們現(xiàn)在要增加一個(gè)新的特征，但這個(gè)新的特征是基于一些時(shí)間條件生成的，根據(jù)時(shí)長(zhǎng)（小時(shí)）而變化，如下：

因此，如果你不知道如何提速，那正常第一想法可能就是用apply方法寫(xiě)一個(gè)函數(shù)，函數(shù)里面寫(xiě)好時(shí)間條件的邏輯代碼。 

def apply_tariff(kwh, hour):  
    """計(jì)算每個(gè)小時(shí)的電費(fèi)"""      
    if 0 <= hour < 7:  
        rate = 12  
    elif 7 <= hour < 17:  
        rate = 20  
    elif 17 <= hour < 24:  
        rate = 28  
    else:  
        raise ValueError(f'Invalid hour: {hour}')  
    return rate * kwh 

然后使用for循環(huán)來(lái)遍歷df，根據(jù)apply函數(shù)邏輯添加新的特征，如下： 

>>> # 不贊同這種操作  
>>> @timeit(repeat=3, number=100)  
... def apply_tariff_loop(df): 
...     """用for循環(huán)計(jì)算enery cost，并添加到列表"""  
...     energy_cost_list = []  
...     for i in range(len(df)):  
...         # 獲取用電量和時(shí)間（小時(shí)）  
...         energy_used = df.iloc[i]['energy_kwh']  
...         hour = df.iloc[i]['date_time'].hour  
...         energy_cost = apply_tariff(energy_used, hour)  
...         energy_cost_list.append(energy_cost)  
...     df['cost_cents'] = energy_cost_list  
...   
>>> apply_tariff_loop(df)  
Best of 3 trials with 100 function calls per trial:  
Function `apply_tariff_loop` ran in average of 3.152 seconds. 

對(duì)于那些寫(xiě)Pythonic風(fēng)格的人來(lái)說(shuō)，這個(gè)設(shè)計(jì)看起來(lái)很自然。然而，這個(gè)循環(huán)將會(huì)嚴(yán)重影響效率。原因有幾個(gè)：

首先，它需要初始化一個(gè)將記錄輸出的列表。

其次，它使用不透明對(duì)象范圍(0，len(df))循環(huán)，然后再應(yīng)用apply_tariff()之后，它必須將結(jié)果附加到用于創(chuàng)建新DataFrame列的列表中。另外，還使用df.iloc [i]['date_time']執(zhí)行所謂的鏈?zhǔn)剿饕?，這通常會(huì)導(dǎo)致意外的結(jié)果。

這種方法的最大問(wèn)題是計(jì)算的時(shí)間成本。對(duì)于8760行數(shù)據(jù)，此循環(huán)花費(fèi)了3秒鐘。

接下來(lái)，一起看下優(yōu)化的提速方案。

[[381980]]

使用 iterrows循環(huán)

第一種可以通過(guò)pandas引入iterrows方法讓效率更高。這些都是一次產(chǎn)生一行的生成器方法，類(lèi)似scrapy中使用的yield用法。

.itertuples為每一行產(chǎn)生一個(gè)namedtuple，并且行的索引值作為元組的第一個(gè)元素。nametuple是Python的collections模塊中的一種數(shù)據(jù)結(jié)構(gòu)，其行為類(lèi)似于Python元組，但具有可通過(guò)屬性查找訪問(wèn)的字段。

.iterrows為DataFrame中的每一行產(chǎn)生（index，series）這樣的元組。

在這個(gè)例子中使用.iterrows，我們看看這使用iterrows后效果如何。 

>>> @timeit(repeat=3, number=100)  
... def apply_tariff_iterrows(df):  
...     energy_cost_list = []  
...     for index, row in df.iterrows():  
...         # 獲取用電量和時(shí)間（小時(shí)）  
...         energy_used = row['energy_kwh']  
...         hour = row['date_time'].hour  
...         # 添加cost列表  
...         energy_cost = apply_tariff(energy_used, hour)  
...         energy_cost_list.append(energy_cost)  
...     df['cost_cents'] = energy_cost_list  
...  
>>> apply_tariff_iterrows(df)  
Best of 3 trials with 100 function calls per trial:  
Function `apply_tariff_iterrows` ran in average of 0.713 seconds. 

這樣的語(yǔ)法更明確，并且行值引用中的混亂更少，因此它更具可讀性。

時(shí)間成本方面：快了近5倍！

但是，還有更多的改進(jìn)空間，理想情況是可以用pandas內(nèi)置更快的方法完成。

[[381981]]

pandas的apply方法

我們可以使用.apply方法而不是.iterrows進(jìn)一步改進(jìn)此操作。pandas的.apply方法接受函數(shù)callables并沿DataFrame的軸(所有行或所有列)應(yīng)用。下面代碼中，lambda函數(shù)將兩列數(shù)據(jù)傳遞給apply_tariff()： 

>>> @timeit(repeat=3, number=100)  
... def apply_tariff_withapply(df):  
...     df['cost_cents'] = df.apply(  
...         lambda row: apply_tariff(  
...             kwh=row['energy_kwh'],  
...             hour=row['date_time'].hour),  
...         axis=1)  
...  
>>> apply_tariff_withapply(df)  
Best of 3 trials with 100 function calls per trial:  
Function `apply_tariff_withapply` ran in average of 0.272 seconds. 

apply的語(yǔ)法優(yōu)點(diǎn)很明顯，行數(shù)少，代碼可讀性高。在這種情況下，所花費(fèi)的時(shí)間大約是iterrows方法的一半。

但是，這還不是“非?？?rdquo;。一個(gè)原因是apply()將在內(nèi)部嘗試循環(huán)遍歷Cython迭代器。但是在這種情況下，傳遞的lambda不是可以在Cython中處理的東西，因此它在Python中調(diào)用并不是那么快。

如果我們使用apply()方法獲取10年的小時(shí)數(shù)據(jù)，那么將需要大約15分鐘的處理時(shí)間。如果這個(gè)計(jì)算只是大規(guī)模計(jì)算的一小部分，那么真的應(yīng)該提速了。這也就是矢量化操作派上用場(chǎng)的地方。

[[381982]]

矢量化操作：使用.isin選擇數(shù)據(jù)

什么是矢量化操作？

如果你不基于一些條件，而是可以在一行代碼中將所有電力消耗數(shù)據(jù)應(yīng)用于該價(jià)格：df ['energy_kwh'] * 28，類(lèi)似這種。那么這個(gè)特定的操作就是矢量化操作的一個(gè)例子，它是在pandas中執(zhí)行的最快方法。

但是如何將條件計(jì)算應(yīng)用為pandas中的矢量化運(yùn)算？

一個(gè)技巧是：根據(jù)你的條件，選擇和分組DataFrame，然后對(duì)每個(gè)選定的組應(yīng)用矢量化操作。

在下面代碼中，我們將看到如何使用pandas的.isin()方法選擇行，然后在矢量化操作中實(shí)現(xiàn)新特征的添加。在執(zhí)行此操作之前，如果將date_time列設(shè)置為DataFrame的索引，會(huì)更方便： 

# 將date_time列設(shè)置為DataFrame的索引  
df.set_index('date_time', inplace=True)  
@timeit(repeat=3, number=100)  
def apply_tariff_isin(df):  
    # 定義小時(shí)范圍Boolean數(shù)組  
    peak_hours = df.index.hour.isin(range(17, 24))  
    shoulder_hours = df.index.hour.isin(range(7, 17))  
    off_peak_hours = df.index.hour.isin(range(0, 7)) 
    # 使用上面apply_traffic函數(shù)中的定義  
    df.loc[peak_hours, 'cost_cents'] = df.loc[peak_hours, 'energy_kwh'] * 28  
    df.loc[shoulder_hours,'cost_cents'] = df.loc[shoulder_hours, 'energy_kwh'] * 20  
    df.loc[off_peak_hours,'cost_cents'] = df.loc[off_peak_hours, 'energy_kwh'] * 12 

我們來(lái)看一下結(jié)果如何。 

>>> apply_tariff_isin(df)  
Best of 3 trials with 100 function calls per trial:  
Function `apply_tariff_isin` ran in average of 0.010 seconds. 

提示，上面.isin()方法返回的是一個(gè)布爾值數(shù)組，如下： 

[False, False, False, ..., True, True, True] 

布爾值標(biāo)識(shí)了DataFrame索引datetimes是否落在了指定的小時(shí)范圍內(nèi)。然后把這些布爾數(shù)組傳遞給DataFrame的.loc，將獲得一個(gè)與這些小時(shí)匹配的DataFrame切片。然后再將切片乘以適當(dāng)?shù)馁M(fèi)率，這就是一種快速的矢量化操作了。

上面的方法完全取代了我們最開(kāi)始自定義的函數(shù)apply_tariff()，代碼大大減少，同時(shí)速度起飛。

運(yùn)行時(shí)間比Pythonic的for循環(huán)快315倍，比iterrows快71倍，比apply快27倍！

[[381983]]

還能更快？

太刺激了，我們繼續(xù)加速。

在上面apply_tariff_isin中，我們通過(guò)調(diào)用df.loc和df.index.hour.isin三次來(lái)進(jìn)行一些手動(dòng)調(diào)整。如果我們有更精細(xì)的時(shí)間范圍，你可能會(huì)說(shuō)這個(gè)解決方案是不可擴(kuò)展的。但在這種情況下，我們可以使用pandas的pd.cut()函數(shù)來(lái)自動(dòng)完成切割： 

@timeit(repeat=3, number=100)  
def apply_tariff_cut(df):  
    cents_per_kwh = pd.cut(x=df.index.hour,  
                           bins=[0, 7, 17, 24],  
                           include_lowest=True,  
                           labels=[12, 20, 28]).astype(int)  
    df['cost_cents'] = cents_per_kwh * df['energy_kwh'] 

上面代碼pd.cut()會(huì)根據(jù)bin列表應(yīng)用分組。

其中include_lowest參數(shù)表示第一個(gè)間隔是否應(yīng)該是包含左邊的。

這是一種完全矢量化的方法，它在時(shí)間方面是最快的： 

>>> apply_tariff_cut(df)  
Best of 3 trials with 100 function calls per trial:  
Function `apply_tariff_cut` ran in average of 0.003 seconds. 

到目前為止，使用pandas處理的時(shí)間上基本快達(dá)到極限了！只需要花費(fèi)不到一秒的時(shí)間即可處理完整的10年的小時(shí)數(shù)據(jù)集。

但是，最后一個(gè)其它選擇，就是使用 NumPy，還可以更快！

[[381984]]

使用Numpy繼續(xù)加速

使用pandas時(shí)不應(yīng)忘記的一點(diǎn)是Pandas的Series和DataFrames是在NumPy庫(kù)之上設(shè)計(jì)的。并且，pandas可以與NumPy陣列和操作無(wú)縫銜接。

下面我們使用NumPy的 digitize()函數(shù)更進(jìn)一步。它類(lèi)似于上面pandas的cut()，因?yàn)閿?shù)據(jù)將被分箱，但這次它將由一個(gè)索引數(shù)組表示，這些索引表示每小時(shí)所屬的bin。然后將這些索引應(yīng)用于價(jià)格數(shù)組： 

@timeit(repeat=3, number=100)  
def apply_tariff_digitize(df):  
    prices = np.array([12, 20, 28])  
    bins = np.digitize(df.index.hour.values, bins=[7, 17, 24])  
    df['cost_cents'] = prices[bins] * df['energy_kwh'].values 

與cut函數(shù)一樣，這種語(yǔ)法非常簡(jiǎn)潔易讀。 

>>> apply_tariff_digitize(df)  
Best of 3 trials with 100 function calls per trial:  
Function `apply_tariff_digitize` ran in average of 0.002 seconds. 

0.002秒！ 雖然仍有性能提升，但已經(jīng)很邊緣化了。